MatConvNet对自己的图片分两类及提取图片特征

MatConvNet对自己的图片分两类也可以讲是使用MatConvNet：工具箱可以直接去Github上下载，http://www.studyai.cn/deep_learn/matconvnet/functions/index.html点击打开链接这个网站讲解了MatConvNet的每个函数很详细！

然而我自己仿照example写分2类的程序运行还是不断报错。。。最后放弃了自己瞎搞又去Github上下载了别人使用MatConvNet做车牌识别的例子，是另一个工具箱：MatConvNet-mr-master

打开这个工具箱是这样：

文件夹ann_plate2是我自己加的

先自己测试下这个工具箱：运行cnn_plate_init再运行cnn_plate，对了cnn_plate改成自己路径还有cnn_plate_setup_data的这几行记得不要注释掉：

就这样！

最终生成的模型就在...\matconvnet-1.0-beta20\data\primerplate9.2-baseline文件夹里面！证明了是可以运行成功的！但太慢了，我就改了cnn_plate_init的迭代次数和batchsize的个数：结果快了很多,这个工具箱如果github上没有可以在这里下载：

http://download.csdn.net/detail/wd1603926823/9620127点击打开链接记得要先下载matconvnet-1.0-beta20工具箱才能用这个工具箱！

/看不见分界线//

测试完工具箱想正确的可以使用后，接下来我就按照这个工具箱改成我的分2类：

我的图片放在：

我要分2类所以2个文件夹

1，首先我改了这里：

放图片的路径和最终保存模型的文件夹名字改了这2处

2，然后我改了这里(不改也行)：

迭代次数改成了10次：

3，还改了这里：

使用GPU 还有是2分类不是multiclass

接下来就可以了：结果：

因为我只有1040张总样本所以效果不好也正常我只求不报错！去data文件夹下可以看到刚刚训练好的模型数据：

然后我利用最后一次的模型提取另一个文件夹下的图片特征。。。

run(fullfile('D:\MATLAB_code\matconvnet-1.0-beta20\matlab\vl_setupnn.m')) ;
net = load('D:\MATLAB_code\matconvnet-1.0-beta20\data\Bchannel9.5-baseline\net-epoch-100.mat');
feat = [];
rgbImgList = {};
facepath='D:\MATLAB_code\matconvnet-1.0-beta20\data\toExtractFeature\';
newpath=facepath;
for j=0:1039k=j+1;facepath=newpath;facepath=strcat(facepath,num2str(j));facepath=strcat(facepath,'.bmp');oriImg=imread(facepath);oriImg=imresize(oriImg,[20 20]);tmpNam =strcat(num2str(j),'.bmp');if size(oriImg, 3) == 1rgbImg= oriImg;im_ = single(rgbImg) ; % note: 255 rangeim_ = imresize(im_, net.net.meta.inputSize(1:2)) ;im_ = im_ - net.net.meta.normalization.averageImage ;res = vl_simplenn(net.net, im_) ;featVec = res(7).x;featVec = featVec(:);feat = [feat; featVec'];fprintf('extract %d image\n\n',j);rgbImgList{k,1} = tmpNam;clear rgbImg;elsefprintf('the model need 3 channels but you put in 1 channel images\n');end
end
labels=zeros(1,1040);
labels(624:end)=1;
feat = normalize1(feat);
save('NoVGGBchannel9.5.mat','feat', 'rgbImgList','labels');

其实我还是想用已知的著名的模型如VGG在新数据上重新训练得到属于自己的模型按照https://github.com/vlfeat/matconvnet/issues/218 点击打开链接这样对VGG微调得到新VGG模型结果我的训练有问题虽然没报错就是运行这3个程序：

function net =cnn_plate_init()
% rng('default');
% rng(0) ;
%
% f=1/100 ;
% net.layers = {};
% net.layers{end+1} = struct('type', 'conv', ...
%                            'weights', {{f*randn(3,3,1,20, 'single'), zeros(1, 20, 'single')}}, ...
%                            'stride', 1, ...
%                            'pad', 0) ;
% net.layers{end+1} = struct('type', 'pool', ...
%                            'method', 'max', ...
%                            'pool', [2 2], ...
%                            'stride', 2, ...
%                            'pad', 0) ;
% net.layers{end+1} = struct('type', 'relu') ;
% net.layers{end+1} = struct('type', 'conv', ...
%                            'weights', {{f*randn(3,3,20,100, 'single'),zeros(1,100,'single')}}, ...
%                            'stride', 1, ...
%                            'pad', 0) ;
% net.layers{end+1} = struct('type', 'pool', ...
%                            'method', 'max', ...
%                            'pool', [2 2], ...
%                            'stride', 2, ...
%                            'pad', 0) ;
% net.layers{end+1} = struct('type', 'relu') ;
% net.layers{end+1} = struct('type', 'conv', ...
%    'weights', {{f*randn(3,3,100,2, 'single'),zeros(1,2,'single')}}, ...
%    'stride', 1, ...
%    'pad', 0) ;
% net.layers{end+1} = struct('type', 'softmaxloss') ;%%%%%%%%%%%%%%%%%%%%%%%%%%use pre-trained model re-train  https://github.com/vlfeat/matconvnet/issues/218netprimer = load('D:\MATLAB_code\matconvnet-1.0-beta20\CNN-for-Image-Retrieval-master\imagenet-vgg-f.mat');net.layers=netprimer.layers(1:end-2);net.layers{end+1} = struct('type', 'conv', ...'weights', {{0.05*randn(3,3,4096,2, 'single'),zeros(1,2,'single')}}, ...'stride', [1,1], ...'pad', [0,0,0,0]) ;net.layers{end+1} = struct('type', 'softmaxloss') ;net.meta.inputSize = [224 224 3] ;
%%%%%%%%%%%%%%%%%%%%%%%%%%
% Meta parameters
%net.meta.inputSize = [20 20 1] ;
net.meta.trainOpts.learningRate = logspace(-3, -5, 100);
net.meta.trainOpts.numEpochs = 50;
net.meta.trainOpts.batchSize =10 ;
% Fill in defaul values
net = vl_simplenn_tidy(net) ;end

然后运行这个：

function [net, info] = cnn_plate()
run(fullfile('D:\MATLAB_code\matconvnet-1.0-beta20\matlab\vl_setupnn.m')) ;
%datadir='E:\MachineLearning\caffe\caffe-windows-master\platerecognition\data\platerecognition\chars2';
%datadir='D:\MATLAB_code\matconvnet-1.0-beta20\data\Bchannel8.23';
datadir='F:\mypic\人工分类8.17\myReclassify0.2';
%datadir='D:\MATLAB_code\my_MatConvNet-mr-master\MatConvNet-mr-master\ann_plate2';
opts.expDir = fullfile(vl_rootnn, 'data', 'VGGBchannel9.5-baseline') ;
opts.imdbPath = fullfile(opts.expDir, 'imdb.mat');
if exist(opts.imdbPath,'file')imdb=load(opts.imdbPath);
elseimdb=cnn_plate_setup_data(datadir);mkdir(opts.expDir) ;save(opts.imdbPath, '-struct', 'imdb') ;
end
net=cnn_plate_init();
net.meta.normalization.averageImage =imdb.images.data_mean ;
opts.train.gpus=1;
[net, info] = cnn_train(net, imdb, getBatch(opts), ...'expDir', opts.expDir, ...net.meta.trainOpts, ...opts.train, ...'val', find(imdb.images.set == 3)) ;function fn = getBatch(opts)
% --------------------------------------------------------------------fn = @(x,y) getSimpleNNBatch(x,y) ;
end
function [images, labels]  = getSimpleNNBatch(imdb, batch)images = imdb.images.data(:,:,:,batch) ;labels = imdb.images.labels(1,batch) ;if opts.train.gpus > 0images = gpuArray(images) ;end
end
end

其中：

function imdb =cnn_plate_setup_data(datadir)
inputSize =[224,224,3];
%inputSize =[20,20,1];
subdir=dir(datadir);
imdb.images.data=[];
imdb.images.labels=[];
imdb.images.set = [] ;
imdb.meta.sets = {'train', 'val', 'test'} ;
image_counter=0;
trainratio=0.8;
for i=3:length(subdir)imgfiles=dir(fullfile(datadir,subdir(i).name));imgpercategory_count=length(imgfiles)-2;disp([i-2 imgpercategory_count]);image_counter=image_counter+imgpercategory_count;for j=3:length(imgfiles)img=imread(fullfile(datadir,subdir(i).name,imgfiles(j).name));img=imresize(img, inputSize(1:2));img=single(img);[~,~,d]=size(img);if d==3img=rgb2gray(img);continue;endimdb.images.data(:,:,:,end+1)=single(img);imdb.images.labels(end+1)= i-2;if j-2<imgpercategory_count*trainratioimdb.images.set(end+1)=1;elseimdb.images.set(end+1)=3;endend
end
dataMean=mean(imdb.images.data,4);
imdb.images.data = single(bsxfun(@minus,imdb.images.data, dataMean)) ;
imdb.images.data_mean = dataMean;
end

结果一个白板应该是在cnntrain时一次都不满足train条件：

可是具体问题出在哪里？真的好想直接调用VGG模型然后在自己的新图片数据上微调得到属于自己的VGG 然后用来分类测试或提取特征！可是问题出在哪里？？

推荐个网址http://www.studyai.cn/点击打开链接 http://blog.sina.com.cn/s/blog_837f83580102vwv4.html

//看不见分界线///

根据http://blog.csdn.net/willard_yuan/article/details/44861487点击打开链接根据这个人的用已知模型提取图片特征，彩图或灰度图都可以：

% 用已知模型去提取图片特征
run(fullfile('D:\MATLAB_code\matconvnet-1.0-beta20\matconvnet-1.0-beta20\matlab\vl_setupnn.m')); %换成你的vl_setupnn.m具体路径
%想提取特征的图片所在路径
path_imgDB = 'D:\MATLAB_code\matconvnet-1.0-beta20\matconvnet-1.0-beta20\CNN-for-Image-Retrieval-master\database';
addpath(path_imgDB);
addpath tools;
%换成你下载的imagenet-vgg-f.mat具体路径
net = load('imagenet-vgg-f.mat') ;
% Step 2 LOADING IMAGE AND EXTRACTING FEATURE
imgFiles = dir(path_imgDB);
imgNamList = {imgFiles(~[imgFiles.isdir]).name};
clear imgFiles;
imgNamList = imgNamList';
numImg = length(imgNamList);
feat = [];
k = 0;
rgbImgList = {};
%因为模型要求输入是3通道的 所以先检测如果是灰度图 就变成3通道的 再提取  如果是彩图 就直接提取特征
for i = 1:numImgoriImg = imread(imgNamList{i, 1});

   %oriImg=imresize(oriImg,[224 224]);  %如果你想直接用VGG模型 而你的图片不是224X224时就直接这样好了tmpNam = imgNamList{i, 1};if size(oriImg, 3) == 3k = k+1;im_ = single(oriImg) ; % note: 255 rangeim_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;im_ = im_ - net.meta.normalization.averageImage ;res = vl_simplenn(net, im_) ;featVec = res(19).x;featVec = featVec(:);feat = [feat; featVec'];fprintf('extract %d image\n\n', i);rgbImgList{k,1} = tmpNam;elsergbImg(:,:,1) = oriImg;rgbImg(:,:,2) = oriImg;rgbImg(:,:,3) = oriImg;k = k+1;im_ = single(rgbImg) ; % note: 255 rangeim_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;im_ = im_ - net.meta.normalization.averageImage ;res = vl_simplenn(net, im_) ;featVec = res(19).x;featVec = featVec(:);feat = [feat; featVec'];fprintf('extract %d image\n\n', i);rgbImgList{k,1} = tmpNam;clear rgbImg;end
end
%归一化
feat = normalize1(feat);
save('Feat4096Norml.mat','feat', 'rgbImgList', '-v7.3');

其中那个mat可以由语句： urlwrite ( ... 'http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat' , ... 'imagenet-vgg-f.mat' ) ; 进行下载！或者直接去http://www.vlfeat.org/matconvnet/models/点击打开链接这里快速下载！结果可以看到是一个特征矩阵feat：每一张图片的特征是一个4096维的行向量：

我用这个程序提取我的文件夹下图片特征我的图片以0.bmp、1.bmp、2.bmp...这样命名用上面的程序发现提取的特征是乱序的因为它rgbImgList里是按0.bmp、1.bmp、1001.bmp...999.bmp这样来读取的而我的文件夹前623张都属于第一类后面都属于第2类这样读取不方便我找到原来的标签所以我改成了按顺序读取并提取特征然后按顺序保存如下：

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%按文件夹图片顺序提取对应图片特征并保存  用vgg模型
run(fullfile('D:\MATLAB_code\matconvnet-1.0-beta20\matlab\vl_setupnn.m')) ;
net = load('D:\MATLAB_code\matconvnet-1.0-beta20\CNN-for-Image-Retrieval-master\imagenet-vgg-f.mat');
feat = [];
rgbImgList = {};
facepath='D:\MATLAB_code\matconvnet-1.0-beta20\data\toExtractFeature\';
newpath=facepath;
for j=0:1039k=j+1;facepath=newpath;facepath=strcat(facepath,num2str(j));facepath=strcat(facepath,'.bmp');oriImg=imread(facepath);oriImg=imresize(oriImg,[224 224]);tmpNam =strcat(num2str(j),'.bmp');if size(oriImg, 3) == 3im_ = single(oriImg) ; % note: 255 rangeim_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;im_ = im_ - net.meta.normalization.averageImage ;res = vl_simplenn(net, im_) ;featVec = res(19).x;featVec = featVec(:);feat = [feat; featVec'];fprintf('extract %d image\n\n', j);rgbImgList{k,1} = tmpNam;elsergbImg(:,:,1) = oriImg;rgbImg(:,:,2) = oriImg;rgbImg(:,:,3) = oriImg;im_ = single(rgbImg) ; % note: 255 rangeim_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;im_ = im_ - net.meta.normalization.averageImage ;res = vl_simplenn(net, im_) ;featVec = res(19).x;featVec = featVec(:);feat = [feat; featVec'];fprintf('extract %d image\n\n',j);rgbImgList{k,1} = tmpNam;clear rgbImg;end
end
labels=zeros(1,1040);
labels(624:end)=1;
feat = normalize1(feat);
save('FeatureBchannel9.5.mat','feat', 'rgbImgList','labels');

结果：

这就是按顺序来了！

有时候当训练出模型后，提取特征时，当运行到第二句：

打开看这个net：

class是一个向量而不是一个数标量，如果继续提取特征会报错，这里就手动把net.net.layers{1，8}.class=2 因为我是2类所以这样改几类就改成几或者把type改成softmax 一样的效果接下来就不报错了我觉得这样改怪怪的但我同事说他看到一个demo就是把type改成softmax 我试了两种方法都可以。。。。。其实我之前自己训练的class自动就是2 而不是一个向量不需要改直接提取特征我觉得那样才是好的。如果需要改动，那我总感觉是人为改变的。。。。。。。但如果报错还是这样改吧！

MatConvNet对自己的图片分两类及提取图片特征相关推荐

php 图片填充图片,PHP水印类,支持添加图片、文字、填充颜色区域的实现_php实例...
下面小编就为大家带来一篇PHP水印类,支持添加图片.文字.填充颜色区域的实现.小编觉得挺不错的,现在就分享给大家,也给大家做个参考.一起跟随小编过来看看吧 *自己整理的一个水印类* 支持添加图片.文字 ...
html标记分两类,html标记的分类（转）
一.html元素可分为三大类:块元素.内联元素.可变元素这里的叫法应该不对,应该把元素替换为标签,标签里面的内容才叫元素. 1.块元素: 常见块状元素:div,p,ul,ol,li,dl,dt,dd ...
Latex两个表格之间的间距过大两个图片，两个表格，图片和图片表格和表格图片和表格表格和图片浮动体之间的距离
图片和表格在一页占的位置太大了!!!而且文字进不去这一页好让把图片和表格挤上去. 然后在begin{document}之前设置了这个 \usepackage[section]{placeins} \u ...
图片识别 python 神经网络,神经网络提取图片特征
Python如何图像识别? Python图片文本识别使用的工具是PIL和pytesser. 因为他们使用到很多的python库文件,为了避免一个个工具的安装,建议使用pythonxypytesser是 ...
opencv resize_利用OpenCV 识别两张相似的图片
Background: 在我们项目中,用到U-net,我们对训练样本图片使用labelme进行标定,对标定生成的json文件labelme_json_to_dataset生成标注图像,由于小伙伴将生成 ...
opencv 取roi_利用OpenCV 识别两张相似的图片
Background: 在我们项目中,用到U-net,我们对训练样本图片使用labelme进行标定,对标定生成的json文件labelme_json_to_dataset生成标注图像,由于小伙伴将生成 ...
图片处理工具类 - ImageUtils.java
纯JAVA实现的图片处理工具类,提供图片的裁剪.压缩.获取尺寸.制作圆角等方法. 源码如下:(点击下载 -ImageUtils.java .FolderUtils.java .commons-io-2 ...
OpenCV对图片数据集提取HOG特征并用SVM进行识别
OpenCV对图片数据集提取HOG特征并用SVM进行识别代码编程环境设置图片大小源代码提取HOG源代码 SVM识别源代码实验结果代码编程环境 Windows系统: OpenCV3.4.1: ...
android 长按秒事件_原来手机长按2秒，能开启5个实用功能，一键提取图片上的文字...
分享最实在的玩机技巧,洞察最前沿的科技资讯!大家好,这里是手机科技园! 随着科技的发展,手机上的功能越来越多,而且还非常实用,我也是今天才知道,原来手机长按2秒,能开启5个实用功能,感兴趣的朋友可以了 ...
从bag包中提取图片和点云数据为pcd格式点云文件
从bag包中提取图片和点云数据为pcd格式点云文件 1 开始提取bag包之前的准备工作 2 从bag包中提取图片和点云数据首先说明一下我运行的系统环境: python2 Ubuntu18.04 RO ...

MatConvNet对自己的图片分两类及提取图片特征

MatConvNet对自己的图片分两类及提取图片特征相关推荐

最新文章

热门文章